[发明专利]一种面向慢性病辅助诊断的眼科AI生物特征参数提取算法

权利要求书

1.一种面向慢性病辅助诊断的眼科AI生物特征参数提取算法，其特征在于，包括如下步骤：

S1：建立M-Net卷积神经网络模型，所述M-Net 卷积神经网络包括用以构建图像金字塔输入并实现不同层级融合的多尺度输入层、用以作为主体结构学习丰富的层次表示的U-Net卷积神经网络、用以在早期卷积层支持深层监督的侧输出层、用以确保同一图像上不同标签特征同时进行分割的多标签损失函数；

S2：M-Net卷积神经网络模型对眼科数据进行标记分割为多个分割数据；

S3：从分割数据中提取用以辅助慢性病诊断的生物特征参数。

2.如权利要求1所述的一种面向慢性病辅助诊断的眼科AI生物特征参数提取算法，其特征在于：所述M-Net卷积神经网络包括编码器路径、解码器路径，每个所述编码器路径在执行卷积层时产生编码器特征图，所述编码器路径利用ReLU激活函数逐个激活像素，所述解码器路径利用卷积层输出解码器特征图。

3.如权利要求1或2所述的一种面向慢性病辅助诊断的眼科AI生物特征参数提取算法，其特征在于：所述侧输出层的目标函数为，其中W表示所有标准卷积层的参数，M为在网络中侧输出层的个数，权重为w =（w（1），...，w（M）），αm为各个侧输出层的损失函数融合权重，m为侧输出数，为第m侧输出层的多标签损失。

4.如权利要求3所述的一种面向慢性病辅助诊断的眼科AI生物特征参数提取算法，其特征在于：步骤S1中还包括通过训练数据对M-Net卷积神经网络模型进行源映射和目标映射的适配训练以形成M-Net适配模型。

5.如权利要求4所述的一种面向慢性病辅助诊断的眼科AI生物特征参数提取算法，其特征在于：适配过程中利用对抗性训练最小化目标域和源域特征空间的距离。

6.如权利要求5所述的一种面向慢性病辅助诊断的眼科AI生物特征参数提取算法，其特征在于：在适配过程中通过利用GAN损失函数来实现对抗性训练，两个函数从源网络和目标网络生成的空间被馈送到判别器D，判别器被训练以将输入特征空间映射成二进制域标签，其中true表示源域，false表示目标域。

7.如权利要求3所述的一种面向慢性病辅助诊断的眼科AI生物特征参数提取算法，其特征在于：所述眼科数据为新生血管（ERNV）图像，步骤S3中包括首先扫描图像并将视网膜中ILM以下的部分遮罩以形成遮罩图像，然后基于Otsu阈值方法和二值化对遮罩图像单帧中的ERNV进行分割以形成三维体数据，最后将三维体数据每一帧中分割出的ERNV像素进行累加以获取ERNV体积。

8.如权利要求3所述的一种面向慢性病辅助诊断的眼科AI生物特征参数提取算法，其特征在于：所述眼科数据为黄斑中心凹图像，步骤S3中包括首先采用卷积神经网络给黄斑中心凹进行定位以形成图像分层，然后根据分层结果中的RPE层位置将图像拉平，最后计算出层与中心凹之间的垂直距离以获取黄斑中心凹厚度（CTF）。

9.如权利要求8所述的一种面向慢性病辅助诊断的眼科AI生物特征参数提取算法，其特征在于：所述眼科数据包括眼底彩照、OCT图像、OCTA图像、AS OCT图像、角膜神经图。

10.如权利要求3所述的一种面向慢性病辅助诊断的眼科AI生物特征参数提取算法，其特征在于：所述M-Net 卷积神经网络还包括用以组合侧输出层输出的图并绘制为最终预测图的平均层。